Alibaba zufolge ist QwenGyre ein Online-Reinforcement-Learning-Framework, kein eigenes Modell. Es richtet sich an Aufgaben, bei denen Agenten über Stunden hinweg mit Modellen und Werkzeugen interagieren und dabei annähernd eine Million Tokens verarbeiten. Getestet wurde das System mit Qwen 3.6 122B und Qwen 3.8 2.4T. Die Rollouts umfassten laut den Angaben im Mittel etwa 700.000 Tokens. Für die Experimente kamen Claude Code 2.1.220 als Ausführungsumgebung sowie Megatron für das Training und SGLang für die Rollouts zum Einsatz.
Kern des Systems ist eine elastische Zuordnung der GPUs. Sie werden in Zellen organisiert, die entweder Agentenläufe ausführen oder an einer vollständigen Trainingsreplik arbeiten können. Wenn genügend laufende Aufgaben von den übrigen Zellen versorgt werden, wechselt eine Zelle vom Rollout zum Training. Die Ausführungsumgebung muss dafür nicht angehalten werden; Modellaufrufe werden über einen Proxy weitergeleitet. Beim Wechsel können zwischengespeicherte Kontextblöcke übertragen werden. Ein Rollenwechsel vom Rollout zum Training dauerte durchschnittlich 8,52 Sekunden, in die Gegenrichtung 3,46 Sekunden.
Das zweite Element betrifft die Trainingsdaten. Weil Agenten Kontexte zusammenfassen, Unteragenten starten und Wiederholungen ausführen können, entstehen verzweigte Verläufe mit gemeinsam genutzten Abschnitten. QwenGyre speichert diese als Trajektorienbäume und begrenzt die Auswahl auf höchstens fünf Verläufe pro Ausführung. Gemeinsame Ziele werden nur einmal gezählt; trainiert werden nur vom Modell erzeugte Tokens. Auch abgebrochene Läufe können anhand ihres erhaltenen Arbeitsstands bewertet werden. Evaluatorfehler fließen nicht als Belohnung von null ein.
In den Tests mit gleichen GPU-Budgets und vergleichbarer Verzögerung lag QwenGyre je nach Vergleich und Aufgabe um den Faktor 1,38 bis 1,78 vor Async und um 1,21 bis 1,85 vor Colocate. Auf TerminalBench erreichte es gegenüber Colocate den höchsten genannten Geschwindigkeitsfaktor von 1,85. Beim Modell Qwen 3.8 2.4T benötigten 48 Trainingsschritte 75,42 Stunden; Async kam auf 134,55 Stunden, Colocate auf 91,47 Stunden. Die Passrate auf NL2RepoBench stieg in diesem Lauf von 52,48 auf 58,54 Prozent.